はじめに
英語の壁を乗り越え、Google Cloud Professional Machine Learning Engineer試験に合格することができました！本記事では、英語が苦手な私がどのように試験に臨み、合格を掴み取ったのか、その道のりを詳しくご紹介します。また、試験対策に役立つ英語単語集も用意しましたので、ぜひ参考にしてください。
受験のきっかけ
子供が受験を迎えて、一緒に勉強する雰囲気を作りたかったこともあり、クラウドの勉強を始めました。Google Cloud最後の試験となる本試験は、英語版のみの試験であり、決して英語が得意とは言えない私としては、かなり厳しい挑戦となりました。
学習方法
まず、他の試験と同様に試験ガイドを見て、どの様な試験範囲となるかを確認しました。次に、Google Cloud Skills Boostというトレーニングプログラムがあるので、それを受講（自分のペースでWebページを見ていく感じ）しました。
仕上げに、他の試験と同様、有料にはなりますが、Udemyの模擬試験を受講し、想定問題にて理解度を試しました。それなりの正答率になったので受験を行いましたが、2回Fail（不合格）となってしまいました。
再学習方法
正直なところ、Google Cloud Skills Boostについては、完全に仕上げるのはかなり時間がかかるため、主に講義部分だけを受講しており、実践部分は少ししか行っていませんでした。まずはこれを見直し、Skill Boostをできるだけ実習を含めて実施して、より具体的な理解を進めることを行いました。
また、8月に行われたGoogle Cloud Next Tokyo'24へ参加した際、相談コーナーの方に勉強方法について相談させていただき、英語で記述された書籍で勉強することを勧めていただきました。早速、「Official Google Cloud Certified Machine Learning & Engineer Study Guide」というKindleの書籍（英語・329ページ）を見つけて、それを購入して勉強しました。この書籍には問題集もついているので、それをGoogle翻訳を併用しつつ解いていき、そこで間違えた問題を中心に、理解が十分でない部分をインターネットの記事（Qiita等）で調べて理解していきました。
試験の感想
3回目の受験は徹底的に実習や勉強を行い、実践的な知識も身に着けたため、自信はありましたが、結果、合格することができました。
Google Cloud試験の場合、合否に関わらず得点が出ないため、余裕で合格したのか、ぎりぎりで合格したのかはわかりません。試験時間は、そこまでギリギリではなかったと思います。
まとめ（今後受験される方へ）
英語の試験であるため、できるだけ試験勉強自体を英語の教材で行う方が、かえって近道となるかもしれません。
また、他の試験同様、やはり模擬問題を解いてみて、その後でQiita等の記事を読んだり、Google Cloud Skills Boostで実践したりすると、頭に入ってくる度合がかなり上がります。
また、試験時間中は、できるだけ落ち着いて問題文を読み解くことをお勧めします。
一見難しく見える問題でも、自分の知っている知識の範囲で判断できるものや、文意から判断できる問題もありました。おそらく時間は十分あると思いますので、最後まであきらめずに、頑張ってください！
おまけ（覚えておくべき英単語）
英語が苦手でない方は不要かもしれませんが、一応私が覚えた英単語を掲載しますので、ご参考にしてください。
AI用語的な単語、熟語
| 英語 | 日本語訳例 |
|---|---|
| inference | 推論 |
| cardinality | 基数 |
| exploratory | 探索的 |
| explanation method | 説明方法 |
| interpret | 解釈する |
| skew | 歪曲、歪み |
| drifting | ドリフト |
| pre-emptive | 先制的 |
| annotated | 注釈付き |
| forecasting | 予測 |
| mean | 平均 |
| median | 中央値 |
| mode | 最頻値 |
| state-of-the-art | 最新 |
| exploratory data analysis | 探索的データ分析(EDA) |
| traceability | トレーサビリティ |
| reproducibility | 再現性 |
| explainability | 説明可能性 |
| high definition images | 高解像度画像 |
| Integrated Gradients | 統合勾配 |
| dynamic range quantization | ダイナミック レンジ量子化 |
| reinforcement Learning | 強化学習 |
| converges | 収束 |
| coarsen | 粗くする |
| oscillation | 振動 |
| sharded | 断片化 |
| covariate | 共変量 |
| perimeter | 境界 |